Statistisches Lernen aus abhängigen Daten: Lerntheorie, Robuste Algorithmen und Anwendungen

• Antragsteller: Professor Dr. Marius Kloft
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2015 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 266702577

Eine gängige Annahme im Maschinellen Lernen - eine der Schlüsseltechnologien zur Analyse empirischer Daten - ist, dass die vorliegenden Beobachtungen von unabhängigen Zufallsvariablen realisiert wurden. Diese Prämisse kann verletzt sein, wenn die Daten temporale oder räumliche Strukturen aufweisen oder unter Störfaktoren und variierenden experimentellen Voraussetzungen aufgenommen wurden. Mit dem vorliegenden Forschungsantrag arbeiten wir in Richtung einer von Grund auf mathematisch fundierten Methodologie des statistischen Lernens aus abhängigen Daten, mit dem Ziel der Entwicklung von Algorithmen, die Lernen in solchen Umgebungen schaffen und in Anwendungen in Industrie und Wissenschaften eingesetzt werden können. Ein weiterer Schwerpunkt liegt auf dem grundlegenden theoretischen Verständnis von Lernen aus abhängigen Daten und der Interpretation von Lernalgorithmen, um erklären zu können, wann und warum solche Lernalgorithmen erfolgreich eingesetzt werden können.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen
• Internationaler Bezug: Großbritannien, Spanien, USA
• Kooperationspartner: Professor Peter L. Bartlett, Ph.D.; Professor Dr. Arthur Gretton, Ph.D.; Professor Dr. Mehryar Mohri, Ph.D.; Professor Arcadi Navarro, Ph.D.; Professor Dr. Gunnar Rätsch